Gradient-Boosted Decision Tree Optimizer for Antenna Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use machine learning-assisted optimization methods in the design of antennas have been increasing. Although neural networks (NNs) and Gaussian process regression (GPR) are widely used, their scalability to higher dimensions poses several challenges, such as the requirement for excessive data, extensive hyper-parameter tuning, and longer training times. In contrast, gradient-boosted decision trees (GBDTs) exhibit superior performance with limited training data, along with faster training and more efficient hyper-parameter tuning. Motivated by these advantages, we introduce a GBDT-assisted optimization (GBDTO) algorithm tailored for high dimensional problems. Beginning with an initial sample set, GBDTO builds a GBDT model and sequentially samples the input parameter space while searching for an optimal objective value. Compared to Bayesian optimization (BO) and NN-assisted optimization (ONN), GBDTO achieves faster convergence and superior objective values, as demonstrated through benchmarks using the Black-Box Optimization Benchmarking test suite, and several antenna designs. Numerical experiments across 480 instances of 12-dimensional 24 functions demonstrate 13% and 31% improvement in mean rank count over BO and ONN, respectively. Moreover, high dimensional antenna design examples indicate more than 50% faster convergence for a given optimization target and 7 − 54% improvement in the objective value for a fixed number of iterations, compared to BO and ONN. In addition to its optimization efficiency, GBDTO offers inherent and efficient feature importance analysis, which is extremely useful for user guidance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle